MANIC (architektura kognitywna)

MANIC , wcześniej znany jako PMML.1, to kognitywna architektura opracowana przez laboratorium modelowania predykcyjnego i uczenia maszynowego na Uniwersytecie Arkansas . Różni się od innych architektur kognitywnych tym, że stara się „zminimalizować nowość”. Oznacza to, że próbuje uporządkować dobrze ugruntowane techniki w informatyce, zamiast proponować jakiekolwiek nowe metody osiągania poznania. Podczas gdy większość innych architektur kognitywnych jest inspirowana pewnymi obserwacjami neurologicznymi, a następnie rozwijana w sposób odgórny, aby zachowywała się w pewien sposób jak mózg, MANIC jest inspirowany wyłącznie powszechnymi praktykami w informatyce i został opracowany w sposób oddolny. w celu ujednolicenia różnych metod uczenia maszynowego i sztucznej inteligencji .

Przegląd

Na najwyższym poziomie MANIC opisuje agenta oprogramowania, który rzekomo będzie wykazywać inteligencję poznawczą. Sztuczny mózg agenta składa się z dwóch głównych elementów: systemu uczenia się i systemu podejmowania decyzji.

System uczenia się

System uczący się modeluje środowisko agenta jako system dynamiczny . Składa się z „funkcji obserwacji”, która odwzorowuje obecne przekonania agenta na przewidywane obserwacje, oraz „funkcji przejścia”, która odwzorowuje od obecnych przekonań do przyszłych przekonań w następnym kroku czasowym. Funkcja obserwacji jest realizowana za pomocą generatywnej architektury głębokiego uczenia . Jest szkolony bez nadzoru sposób z obserwacji agenta. Wewnętrzne reprezentacje tych obserwacji stają się „przekonaniami” agentów. Funkcja przejścia jest trenowana w nadzorowany , aby przewidywać kolejne przekonania na podstawie obecnych. Cały system uczenia się jest luźno oparty na artykule Michaela S. Gashlera z 2011 roku, który opisuje metodę uczenia głębokiej sieci neuronowej w celu modelowania prostego systemu dynamicznego na podstawie obserwacji wizualnych.

System decyzyjny

System decyzyjny składa się z modułu planowania i funkcji zadowolenia. Moduł planowania wykorzystuje algorytm ewolucyjny do opracowania satysfakcjonującego planu. Funkcja zadowolenia odwzorowuje aktualne lub przewidywane przekonania agenta na ocenę użyteczności bycia w tym stanie. Jest trenowany przez wzmocnienie od ludzkiego nauczyciela. Aby ułatwić to uczenie się przez wzmacnianie, MANIC zapewnia agentowi mechanizm generowania „fantastycznych filmów”, które pokazują przewidywane obserwacje, gdyby plan kandydata miał zostać wykonany. Pomysł polega na tym, że nauczyciel-człowiek oceniałby te filmy i klasyfikował je według atrakcyjności lub użyteczności, a agent mógłby następnie wykorzystać tę informację zwrotną do udoskonalenia swojej funkcji zadowolenia.

Sentyment

MANIC proponuje, aby system uczenia się dawał agentowi świadomość swojego środowiska poprzez modelowanie go i wykorzystywanie tego modelu do przewidywania przyszłych przekonań. Ponadto sugeruje, że podobny mechanizm może również realizować czucie . Oznacza to, że twierdzi, że świadomość można wdrożyć za pomocą modelu skierowanego na zewnątrz, a świadomość można wdrożyć za pomocą modelu skierowanego do wewnątrz. Dlatego proponuje dodanie „zmysłów introspekcyjnych”, które teoretycznie dają agentowi możliwość uświadomienia sobie własnych wewnętrznych uczuć poprzez ich modelowanie, tak jak jest świadomy swojego środowiska zewnętrznego. W pewnym stopniu MANIC sugeruje, że istniejące metody, które są już stosowane w sztucznej inteligencji, nieumyślnie tworzą subiektywne doświadczenia, takie jak te zwykle kojarzone ze świadomymi istotami.

Linki zewnętrzne

• http://uaf46365.ddns.uark.edu/lab/cogarch.svg , Plakat w formacie SVG opisujący architekturę MANIC.
• https://github.com/mikegashler/manic , Implementacja MANIC w Javie.